Fundamentos de IA y Mitos

Introducción

Dentro de los espacios de formación es vital lograr contar con los recursos ideales para lograr ese aprendizaje significativo, en esta oportunidad, se desarrollará una profundización puntual a las diapositivas empleadas en un espacio de formación denominado “Fundamentos de Inteligencia Artificial y mitos”.

Esta diapositiva ofrece una introducción general al concepto de Inteligencia Artificial (IA) y contextualiza su presencia tanto en la vida cotidiana como en el ámbito educativo. A continuación se amplía y profundiza su contenido, integrando aportes teóricos y ejemplos actuales:

💡 Definición general

Según Russell y Norvig (2016), la Inteligencia Artificial (IA) es el campo de estudio que busca diseñar sistemas capaces de realizar tareas que requieren inteligencia humana, tales como el razonamiento lógico, la comprensión del lenguaje natural, el aprendizaje, la percepción visual y auditiva, e incluso la toma de decisiones autónomas.

Esta definición clásica concibe la IA como una disciplina interdisciplinaria que combina conocimientos de informática, matemáticas, psicología cognitiva, lingüística, neurociencia y filosofía, con el propósito de simular —o complementar— procesos mentales humanos.
En otras palabras, la IA no se limita a replicar la inteligencia humana, sino a crear agentes capaces de actuar racionalmente, es decir, realizar la acción más adecuada dadas las circunstancias y los datos disponibles.

Autores más recientes, como Liu, Law y Law (2022), destacan que la IA contemporánea se fundamenta en redes neuronales profundas y aprendizaje automático, permitiendo el desarrollo de modelos que aprenden de grandes volúmenes de datos y ajustan su comportamiento sin intervención humana directa. Este paradigma ha potenciado áreas como la visión por computadora, el procesamiento del lenguaje natural (PLN) y la toma de decisiones autónoma.

⚙️ Ejemplos cotidianos

Los ejemplos incluidos en la diapositiva reflejan la presencia ubicua de la IA en la vida diaria:

• Recomendaciones de Netflix o Spotify:
  Los algoritmos de recomendación utilizan aprendizaje automático supervisado y no supervisado para analizar patrones de consumo y sugerir contenidos personalizados (música, películas, series) que aumentan la permanencia del usuario en la plataforma.

• Asistentes virtuales (Siri, Alexa, ChatGPT):
  Integran procesamiento del lenguaje natural (PLN) y modelos de lenguaje capaces de comprender y generar texto o voz de manera coherente, facilitando la interacción humano-máquina.

• Corrección automática de texto o detección de spam:
  Emplean técnicas de clasificación supervisada, donde el sistema aprende a distinguir entre mensajes legítimos y no deseados a partir de ejemplos previos.

• Traducción automática y filtros de imágenes:
  La traducción automática neuronal y los sistemas de visión artificial (como los filtros de fotografía o detección de objetos) son aplicaciones de redes neuronales convolucionales (CNN) y modelos multimodales.

🎓 En educación

La diapositiva menciona una de las áreas de aplicación más relevantes hoy: la educación mediada por IA.

De acuerdo con Crompton y Burke (2023), la IA en educación permite:

• Personalización del aprendizaje, adaptando contenidos, ritmos y estrategias a las necesidades individuales de los estudiantes mediante sistemas adaptativos.
• Retroalimentación inmediata, mediante tutores inteligentes que analizan el progreso en tiempo real y ofrecen sugerencias o ejercicios correctivos.
• Apoyo a la evaluación, automatizando la calificación de pruebas, la generación de informes de desempeño y la detección de patrones de aprendizaje.

Estos autores destacan que la IA no sustituye al docente, sino que reconfigura su rol hacia tareas más reflexivas, éticas y pedagógicas, mientras que la máquina asume procesos repetitivos o analíticos.

En la misma línea, estudios recientes como los de Matos et al. (2025) y OECD (2025) subrayan que la integración responsable de la IA en la enseñanza superior abre oportunidades para aprendizajes más inclusivos, personalizados y basados en datos, pero también plantea desafíos éticos, de privacidad y de equidad tecnológica.

🧠 En síntesis

La diapositiva busca mostrar que:

• La IA es una ciencia aplicada del pensamiento computacional, orientada a reproducir o ampliar funciones cognitivas humanas.
• Sus manifestaciones cotidianas van desde herramientas invisibles en plataformas digitales hasta asistentes conversacionales.
• En educación, su relevancia no radica solo en automatizar tareas, sino en rediseñar la experiencia de aprendizaje y en dotar a docentes y estudiantes de nuevas competencias digitales, éticas y críticas para convivir con sistemas inteligentes.

La clasificación fundamental de los tipos de Inteligencia Artificial (IA) según su grado de autonomía y capacidad cognitiva. Distingue entre IA débil o estrecha y IA general (AGI), categorías ampliamente utilizadas en la literatura científica (Russell & Norvig, 2016; Liu, Law & Law, 2022). A continuación, se amplía su contenido con mayor detalle conceptual y ejemplos actuales.

🧩 1. Inteligencia Artificial Débil o Estrecha (Narrow AI)

También conocida como IA aplicada o específica, este tipo de inteligencia artificial está diseñada para ejecutar tareas concretas dentro de un dominio limitado. No posee conciencia, comprensión general ni intencionalidad: actúa siguiendo patrones aprendidos a partir de datos.

Características principales:

• Especialización funcional: opera solo en el campo para el que fue entrenada (por ejemplo, reconocimiento facial, generación de texto, diagnóstico médico).
• Dependencia de datos: su eficacia depende de la cantidad y calidad de los datos con los que se entrena.
• Aprendizaje supervisado: mejora su rendimiento a partir de la retroalimentación humana y la experiencia acumulada.
• Ausencia de comprensión semántica: aunque puede imitar el lenguaje o la percepción humana, no “entiende” en sentido cognitivo.

Ejemplos actuales:

• ChatGPT o Gemini: modelos de lenguaje que generan texto coherente y creativo mediante aprendizaje profundo.
• Traductores automáticos (DeepL, Google Translate): procesan secuencias lingüísticas para ofrecer traducciones contextuales.
• Detectores de plagio o sistemas antispam: clasifican textos según patrones de similitud o probabilidad de fraude.
• Recomendadores (Netflix, YouTube, Spotify): predicen preferencias individuales usando algoritmos de filtrado colaborativo.

Perspectiva educativa:

De acuerdo con Crompton y Burke (2023) y Matos et al. (2025), la IA estrecha ya está transformando la educación superior mediante herramientas que ofrecen tutorías automáticas, evaluación adaptativa y generación de materiales personalizados, aunque siempre bajo supervisión humana.

🧠 2. Inteligencia Artificial General (AGI – Artificial General Intelligence)

La IA general representa un modelo teórico de inteligencia capaz de igualar o superar las capacidades cognitivas humanas en múltiples dominios: razonamiento, creatividad, planificación, percepción y aprendizaje transferible.

Características principales:

• Razonamiento generalizado: puede resolver problemas no vistos y aprender sin entrenamiento específico.
• Transferencia de conocimiento: aplica aprendizajes de un contexto a otro (algo que la IA estrecha no logra).
• Autonomía cognitiva: se aproxima a la autoconciencia o autoajuste de objetivos.
• Capacidad simbólica y emocional (en desarrollo): se investiga cómo integrar intuición, ética o empatía simulada.

Estado actual:

Según Liu, Law y Law (2022) y Patel & Leech (2025), la IA general sigue siendo un horizonte teórico y experimental. Los sistemas actuales muestran “inteligencia compuesta” —una combinación de múltiples IAs estrechas coordinadas—, pero no logran una comprensión ni creatividad verdaderamente humanas.

Las investigaciones en redes neuronales multimodales (que combinan texto, imágenes, sonido y video) y en modelos de razonamiento simbólico buscan acercarse a ese objetivo, aunque aún no existe consenso sobre su viabilidad ni sobre sus implicaciones éticas y sociales.

⚖️ Comparación general

Característica	IA Débil o Estrecha	IA General (AGI)
Finalidad	Resolver tareas específicas	Replicar la inteligencia humana general
Aprendizaje	Basado en datos y entrenamiento dirigido	Autónomo y transferible entre dominios
Ejemplos actuales	ChatGPT, DeepL, detectores de plagio	Aún en desarrollo teórico
Conciencia / comprensión	No posee	Potencialmente consciente (hipótesis)
Nivel de autonomía	Bajo o medio	Alto
Riesgos / desafíos	Sesgo algorítmico, dependencia tecnológica	Ética, control y alineamiento con valores humanos

🌐 Reflexión pedagógica

En el contexto educativo, comprender esta distinción es esencial para:

• Gestionar expectativas realistas: los docentes deben reconocer que las herramientas actuales son IA estrecha, útiles pero no infalibles.
• Desarrollar alfabetización en IA: preparar a los estudiantes para entender cómo funcionan, qué limitaciones tienen y cómo usarlas críticamente.
• Fomentar competencias humanas insustituibles: creatividad, pensamiento ético, juicio crítico y colaboración, que siguen siendo el núcleo de la formación en la era digital (OECD, 2025).

Línea del tiempo sintética de la historia y evolución de la Inteligencia Artificial (IA), destacando los hitos más relevantes desde sus orígenes hasta la actualidad. A continuación se desarrolla y amplía cada periodo, contextualizando su importancia técnica y social con base en autores como Russell y Norvig (2016), Patel y Leech (2025), y la OCDE (2025).

🧮 1950s–1970s: Turing y los primeros programas simbólicos

Los inicios de la IA se asocian con Alan Turing, quien en 1950 publicó Computing Machinery and Intelligence, proponiendo el célebre Test de Turing, una forma de evaluar si una máquina puede “pensar” mediante la imitación del lenguaje humano.

Durante esta etapa surgió la IA simbólica o clásica, caracterizada por el intento de representar el conocimiento humano mediante reglas lógicas y símbolos. Se desarrollaron los primeros programas capaces de:

• Resolver problemas matemáticos (como Logic Theorist, 1956, de Newell y Simon).
• Jugar ajedrez o damas.
• Manipular lenguaje natural de manera básica.

Russell y Norvig (2016) denominan a este periodo como el de la IA basada en reglas, en la que la inteligencia se entendía como la ejecución de inferencias lógicas explícitas. Aunque estos sistemas fueron pioneros, tenían limitaciones: no aprendían de la experiencia y dependían completamente del conocimiento programado por humanos.

📈 1980s: Auge del aprendizaje automático (Machine Learning)

Tras el entusiasmo inicial, la IA experimentó un “invierno” debido a expectativas incumplidas. Sin embargo, en los años 80 se produjo un renacimiento gracias al aprendizaje automático, una aproximación que permite a los sistemas extraer patrones directamente de los datos sin ser explícitamente programados.

Aparecieron los algoritmos de redes neuronales artificiales, el aprendizaje supervisado y las primeras aplicaciones en visión artificial y reconocimiento de voz.
El aprendizaje automático marcó el inicio de una transición desde la IA simbólica hacia una IA estadística y empírica, más cercana a la biología computacional del cerebro.

💾 2010s: Redes neuronales profundas y Big Data

En la década de 2010 se produjo una revolución tecnológica con el auge del Deep Learning. Los avances en capacidad de cómputo (GPU), la disponibilidad de grandes volúmenes de datos (Big Data) y nuevos algoritmos de entrenamiento (como backpropagation) impulsaron la creación de redes neuronales profundas (DNN).

Este avance permitió a la IA superar el rendimiento humano en tareas específicas como:

• Reconocimiento facial y de voz (Siri, Alexa).
• Conducción autónoma (Tesla).
• Diagnóstico médico mediante imágenes (radiología, oncología).

De acuerdo con Liu, Law y Law (2022), esta etapa consolidó la IA como un pilar transversal en la economía digital, extendiéndose a sectores como salud, educación, finanzas y seguridad.

🤖 2020s: Modelos generativos y multimodalidad

El inicio de la década de 2020 marca una nueva fase con el surgimiento de los modelos generativos y multimodales, que son capaces de crear contenido nuevo (texto, imágenes, sonido o video) y comprender múltiples formas de información simultáneamente.

Ejemplos destacados:

• GPT (OpenAI), Claude (Anthropic), Gemini (Google) y LLaMA (Meta).
• Herramientas creativas como DALL·E, Midjourney o Runway.

Como explican Patel y Leech (2025) en The Scaling Era, esta etapa se caracteriza por la hipótesis del scaling law: a medida que se incrementan los parámetros, datos y poder de cómputo, los modelos adquieren comportamientos emergentes, acercándose a formas de razonamiento más complejas.

Surge el concepto de IA generativa, que ya no solo reconoce patrones, sino que produce lenguaje, código, arte y conocimiento contextualizado. También se desarrolla la multimodalidad, que integra texto, imagen, sonido y video en un solo sistema cognitivo artificial.

🌍 2025: IA centrada en lo humano y educación ética

En la actualidad, las organizaciones internacionales como la OCDE (2025) y la UNESCO promueven un giro hacia una IA centrada en lo humano, orientada a la ética, la equidad y la sostenibilidad.

Según Trends Shaping Education 2025 (OECD, 2025), los sistemas educativos deben priorizar:

• Competencias éticas y críticas en el uso de IA.
• Formación docente en alfabetización digital avanzada.
• Diseño de políticas educativas que garanticen transparencia, privacidad y accesibilidad.

Esta etapa redefine la relación entre humanos y máquinas, planteando que la IA debe complementar, no sustituir, las capacidades humanas. La educación se convierte así en el espacio clave para desarrollar ciudadanía digital y pensamiento ético frente a la automatización.

Resume la transformación contemporánea de la Inteligencia Artificial (IA): el paso desde la simple automatización de tareas hacia una IA generativa y colaborativa, capaz de producir lenguaje, imágenes, código y conocimiento nuevo. A continuación se amplía su contenido, integrando aportes de Kosmyna et al. (2025), Patel y Leech (2025) y otros autores relevantes.

⚙️ 1. De la automatización lógica al aprendizaje con datos masivos

En las primeras etapas, la IA se basaba en algoritmos lógicos deterministas, capaces de ejecutar instrucciones predefinidas. Estos sistemas se centraban en la automatización de procesos repetitivos —como cálculos, búsqueda de patrones o clasificación—, pero no “aprendían” ni se adaptaban.

A partir de la década de 2010, con el auge del Big Data y el aprendizaje profundo (Deep Learning), la IA experimentó un cambio radical. Los sistemas comenzaron a aprender directamente de los datos, ajustando sus parámetros internos mediante redes neuronales que modelan la forma en que el cerebro humano procesa la información.

Esto supuso el paso de la automatización algorítmica a la automatización cognitiva, donde la máquina no solo ejecuta, sino que también interpreta y mejora sus resultados.

👉 En síntesis: la IA dejó de ser un conjunto de reglas programadas y pasó a ser una tecnología que aprende, predice y genera conocimiento a partir de grandes volúmenes de información.

🤖 2. La IA generativa: colaboración con el pensamiento humano

Con la aparición de modelos como GPT, Claude, Gemini o Mistral, surge una nueva fase: la IA generativa, que no solo reconoce patrones, sino que produce contenido original (texto, imágenes, sonido, código, etc.) en diálogo con el usuario.

Según Patel y Leech (2025), esta etapa marca el inicio de la era del escalamiento (scaling era), donde la potencia de los modelos y la cantidad de datos permiten comportamientos emergentes, antes asociados exclusivamente a la cognición humana: razonamiento, creatividad, planificación y adaptación contextual.

En lugar de reemplazar el pensamiento humano, la IA generativa colabora con él, potenciando procesos de:

• Ideación y creatividad, al proponer ejemplos, estructuras y alternativas.
• Escritura y análisis, facilitando la redacción, el resumen o la corrección de textos.
• Aprendizaje personalizado, al ofrecer tutorías adaptadas al estilo del usuario.

Desde esta perspectiva, ChatGPT y sistemas afines representan una nueva relación entre la inteligencia humana y la artificial: una IA asociada, que actúa como coproductora del conocimiento.

⚠️ 3. Riesgos emergentes: dependencia cognitiva y esfuerzo mental reducido

El estudio de Kosmyna et al. (2025) —Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing— muestra los efectos neurocognitivos de esta nueva relación con la IA.

Mediante análisis EEG en estudiantes que redactaban ensayos con y sin ayuda de ChatGPT, se evidenció que:

• La actividad cerebral disminuye al usar IA, especialmente en áreas asociadas con la memoria de trabajo y la atención sostenida.
• El uso prolongado puede generar una “deuda cognitiva”, entendida como la pérdida progresiva de esfuerzo mental y de retención conceptual.
• Los usuarios de IA muestran menor sensación de autoría y reducción en la capacidad de citar o recordar lo escrito.

Estos hallazgos sugieren un riesgo emergente de dependencia cognitiva, donde la comodidad de la colaboración con IA puede debilitar la autonomía intelectual y el pensamiento crítico si no se regula pedagógicamente.

En otras palabras, la IA generativa potencia el aprendizaje, pero también puede reemplazar la práctica cognitiva activa si se usa sin mediación reflexiva.

🧠 4. Implicaciones para la educación

La transición hacia una IA generativa requiere un nuevo enfoque educativo centrado en:

• Desarrollar la “alfabetización en IA”: comprender cómo funcionan los modelos, sus sesgos y limitaciones.
• Fomentar la metacognición: enseñar a los estudiantes a pensar con la IA, pero no por medio de ella.
• Promover el esfuerzo cognitivo y la autoría intelectual, integrando la IA como herramienta de co-creación, no de sustitución.

Autores como OECD (2025) y Muñoz et al. (2025) coinciden en que la clave está en diseñar una IA centrada en lo humano, donde el aprendizaje mantenga su dimensión ética, crítica y creativa.

Las principales aplicaciones actuales de la Inteligencia Artificial (IA) en el ámbito educativo, agrupándolas en cuatro categorías fundamentales: evaluación automatizada, tutorías inteligentes, generación de contenidos y análisis del aprendizaje. Cada una de ellas refleja cómo la IA está transformando los procesos de enseñanza y aprendizaje, con potencial para la personalización educativa, pero también con desafíos éticos, pedagógicos y de transparencia. A continuación se desarrolla y amplía cada componente con base en fuentes recientes como Crompton y Burke (2023), Matos et al. (2025) y OECD (2025).

1️⃣ Evaluación automatizada

La evaluación automatizada utiliza sistemas de IA para analizar textos, exámenes o actividades de los estudiantes, ofreciendo retroalimentación inmediata y objetiva.

Ejemplos y aplicaciones:

• Corrección de ensayos mediante procesamiento del lenguaje natural (PLN), identificando coherencia, argumentación o gramática (por ejemplo, ETS e-rater o Turnitin Draft Coach).
• Reconocimiento de patrones de error para ofrecer sugerencias de mejora personalizadas.
• Evaluación formativa adaptativa, que ajusta la dificultad de los ejercicios según el desempeño del alumno.

Aportes y retos:

Estos sistemas reducen la carga docente y permiten una retroalimentación continua, pero plantean dilemas sobre:

• Validez y equidad de los algoritmos.
• Transparencia en los criterios de calificación.
• Privacidad de los datos analizados.

De acuerdo con Matos et al. (2025), los modelos de evaluación automatizada alcanzan alta precisión en tareas objetivas, aunque requieren supervisión humana en valoraciones cualitativas o contextuales.

2️⃣ Tutorías inteligentes

Las tutorías inteligentes (Intelligent Tutoring Systems, ITS) representan una de las aplicaciones más consolidadas de la IA educativa. Su propósito es recrear la interacción individualizada entre docente y estudiante, adaptando el proceso al ritmo, estilo y necesidades del aprendiz.

Ejemplos:

• Carnegie Learning o ALEKS, que ajustan el nivel de dificultad en matemáticas.
• Chatbots educativos basados en IA (como ChatGPT Edu), capaces de responder preguntas y guiar actividades formativas.
• Plataformas con aprendizaje adaptativo, como Coursera Labs o Knewton.

Aportes y limitaciones:

Según Crompton y Burke (2023), las tutorías inteligentes mejoran la motivación y el rendimiento académico al ofrecer asistencia inmediata y personalizada, pero requieren:

• Capacitación docente para integrarlas pedagógicamente.
• Estrategias que eviten la dependencia excesiva o la pérdida de autonomía cognitiva (Kosmyna et al., 2025).

3️⃣ Generación de contenidos educativos

La IA generativa ha revolucionado la producción de materiales didácticos, ofreciendo herramientas que crean, adaptan o resumen contenidos educativos de manera automática.

Ejemplos:

• ChatGPT, Claude o Gemini: generación de textos, guías o cuestionarios personalizados.
• DALL·E, Runway o Canva Magic Studio: creación de imágenes o videos explicativos.
• Simuladores y entornos inmersivos impulsados por IA para prácticas de laboratorio o formación profesional.

Beneficios:

• Reducción del tiempo de diseño instruccional.
• Accesibilidad de materiales adaptados a distintos niveles o idiomas.
• Integración de la multimodalidad, combinando texto, imagen y audio.

Consideraciones éticas:

Autores como OECD (2025) y Muñoz et al. (2025) advierten la necesidad de verificar la precisión de la información, evitar sesgos culturales o lingüísticos, y mantener la autoría docente como mediadora del proceso.

4️⃣ Análisis del aprendizaje (Learning Analytics)

El análisis del aprendizaje combina IA, estadística y minería de datos para monitorizar el progreso del estudiante y ofrecer información útil para la toma de decisiones pedagógicas.

Aplicaciones:

• Sistemas de gestión del aprendizaje (LMS) que analizan la participación, tiempo de estudio y rendimiento.
• Paneles predictivos que alertan sobre el riesgo de abandono o desmotivación.
• Recomendadores educativos que sugieren recursos según los intereses del estudiante.

Impacto:

Según OECD (2025), estas herramientas permiten una educación más proactiva y personalizada, aunque deben cumplir principios de:

• Transparencia algorítmica.
• Protección de datos personales.
• Uso ético y responsable de la información educativa.

🧭 Reflexión final

La IA en educación está transformando la relación entre docentes, estudiantes y conocimiento.
Las aplicaciones descritas fortalecen la personalización, la retroalimentación y la eficiencia, pero también requieren:

• Supervisión ética.
• Políticas institucionales claras.
• Competencias docentes en IA y pensamiento crítico.

Como subraya la OCDE (2025), el futuro de la educación con IA debe centrarse en “preparar a los estudiantes no solo para usar la IA, sino para comprenderla y gobernarla”.

Los cuatro ejemplos concretos de aplicación de la Inteligencia Artificial (IA) en contextos educativos, que reflejan cómo los avances tecnológicos están modificando las prácticas de enseñanza, evaluación y acompañamiento académico.
Cada ejemplo —basado en estudios recientes— muestra un uso distinto de la IA: desde la tutoría personalizada hasta la analítica predictiva del aprendizaje. A continuación, se amplía y analiza cada uno en detalle.

💬 1️⃣ ChatGPT como tutor virtual y asistente de escritura (Walter, 2024)

La investigación de Walter (2024) sobre AI literacy and the relevance of ChatGPT in classroom practice evidencia que los modelos de lenguaje generativos (LLMs), como ChatGPT, pueden actuar como tutores virtuales y asistentes de escritura académica, brindando retroalimentación inmediata y sugerencias personalizadas.

Aplicaciones:

• Tutoría interactiva: el estudiante formula preguntas y la IA ofrece explicaciones, ejemplos o ejercicios adaptados a su nivel.
• Asistencia en redacción: corrección de estilo, estructura y coherencia en ensayos o proyectos.
• Fomento del pensamiento crítico: la IA puede simular debates o plantear contraargumentos.

Ventajas:

• Favorece la autonomía del aprendizaje.
• Proporciona retroalimentación inmediata y continua.
• Permite practicar habilidades comunicativas en entornos seguros.

Riesgos y desafíos:

Según Kosmyna et al. (2025), un uso excesivo puede reducir el esfuerzo cognitivo, generando dependencia intelectual si no se acompaña con una mediación docente que fomente la reflexión metacognitiva.

🧠 2️⃣ Sistemas de diagnóstico cognitivo en STEM (evaluación adaptativa)

Los sistemas de diagnóstico cognitivo utilizan algoritmos de aprendizaje automático para detectar fortalezas y debilidades cognitivas del estudiante en áreas como matemáticas, física o programación (disciplinas STEM).

Funcionamiento:

• Analizan las respuestas del estudiante en tiempo real.
• Identifican patrones de error, velocidad de respuesta y tipos de razonamiento.
• Ajustan la dificultad y el tipo de pregunta para personalizar la evaluación.

Ejemplos:

• Plataformas como ALEKS y Squirrel AI implementan este enfoque, ofreciendo evaluaciones dinámicas que se adaptan al desempeño individual.

Impacto educativo:

De acuerdo con Crompton y Burke (2023), estos sistemas mejoran la precisión de la evaluación formativa y ofrecen información diagnóstica valiosa para docentes, permitiendo una intervención temprana y estrategias de apoyo más efectivas.

📊 3️⃣ Analítica predictiva de riesgo académico (Yan et al., 2024)

El estudio de Yan et al. (2024) sobre Large Language Models in Education: Practical and Ethical Challenges destaca el uso de IA para la analítica predictiva, es decir, la identificación temprana de estudiantes en riesgo de bajo rendimiento o deserción.

Características:

• Usa datos históricos y comportamentales (participación en plataformas, calificaciones, tiempos de conexión, entregas, etc.).
• Genera modelos de predicción que estiman la probabilidad de abandono o fracaso.
• Permite alertas tempranas y planes de acompañamiento personalizado.

Ejemplos institucionales:

• Universidades como la Arizona State University y la Open University (UK) aplican analítica de aprendizaje para anticipar dificultades académicas.
• Herramientas como Civitas Learning integran estas funciones con analítica descriptiva y prescriptiva.

Consideraciones éticas:

Según OECD (2025), el uso de datos estudiantiles requiere políticas de transparencia, consentimiento informado y protección de privacidad, evitando sesgos que puedan perjudicar a grupos vulnerables.

🎯 4️⃣ Plataformas de aprendizaje adaptativo

Las plataformas de aprendizaje adaptativo ajustan los contenidos y actividades según el nivel de dominio y ritmo del estudiante, empleando técnicas de IA que analizan su progreso en tiempo real.

Ejemplos:

• Knewton, Smart Sparrow y DreamBox Learning, que utilizan algoritmos para personalizar itinerarios de aprendizaje.
• En el ámbito universitario, sistemas de apoyo como Coursera Labs adaptan las recomendaciones de materiales y ejercicios a los patrones de interacción de cada usuario.

Beneficios:

• Ofrecen una personalización dinámica del proceso educativo.
• Facilitan el aprendizaje autodirigido.
• Permiten monitorear el progreso con precisión y ajustar la enseñanza a las necesidades reales.

Desafíos:

Como advierte Matos et al. (2025), el éxito de estas plataformas depende de la formación docente en competencias digitales, así como de la capacidad institucional para integrar estos datos en decisiones pedagógicas coherentes.

🧩 Síntesis general

Aplicación	Objetivo principal	Beneficios	Riesgos/Desafíos
ChatGPT tutor virtual	Asistencia personalizada y escritura académica	Aprendizaje autónomo, retroalimentación inmediata	Dependencia cognitiva, calidad del contenido
Diagnóstico cognitivo (STEM)	Evaluación adaptativa	Precisión diagnóstica, retroalimentación formativa	Sesgos algorítmicos, interpretación de datos
Analítica predictiva	Identificación de riesgo académico	Intervención temprana	Privacidad, equidad algorítmica
Aprendizaje adaptativo	Ajuste del contenido según desempeño	Personalización del aprendizaje	Requiere integración pedagógica y capacitación docente

Las implicaciones éticas y pedagógicas del uso de la Inteligencia Artificial (IA) en educación, destacando cuatro desafíos centrales identificados por Miao y Cukurova (2024) y Yan et al. (2024): autoría y originalidad, sesgos algorítmicos, privacidad de datos y uso responsable.
Estas dimensiones son esenciales para garantizar que la adopción de la IA en contextos educativos se mantenga centrada en lo humano, equitativa y pedagógicamente significativa.
A continuación, se desarrolla cada aspecto con mayor profundidad.

✍️ 1️⃣ Autoría y originalidad: ¿quién es el autor del texto generado con IA?

Uno de los dilemas éticos más debatidos es la autoría de los contenidos producidos o asistidos por IA generativa. Herramientas como ChatGPT, Claude o Gemini pueden redactar textos, resolver problemas o crear materiales académicos que se asemejan al trabajo humano, planteando interrogantes sobre:

• Propiedad intelectual: ¿a quién pertenece el resultado, al usuario, al desarrollador del modelo o a la máquina?
• Valor educativo del proceso: si el estudiante delega la producción cognitiva en la IA, se pierde parte del aprendizaje que surge del esfuerzo creativo y crítico.
• Integridad académica: el uso no transparente puede derivar en plagio automatizado o autoría compartida no reconocida.

Según Miao y Cukurova (2024), es necesario redefinir la alfabetización ética en IA dentro de los currículos docentes, enseñando a los estudiantes a usar estas herramientas como apoyo al pensamiento, no como sustitutos del mismo.

Asimismo, los autores proponen incluir políticas institucionales de “declaración de uso de IA”, donde los estudiantes expliciten cuándo y cómo emplean asistencia algorítmica en sus trabajos.

⚖️ 2️⃣ Sesgos algorítmicos: reproducen desigualdades existentes

Los algoritmos de IA aprenden de datos históricos; por tanto, replican los sesgos culturales, lingüísticos y de género presentes en esos datos.
Esto puede generar discriminación o invisibilización de grupos minoritarios en los contenidos generados o en las recomendaciones de aprendizaje.

Ejemplos:

• Un modelo entrenado mayoritariamente en inglés puede subrepresentar contextos latinoamericanos o africanos.
• Los sistemas de recomendación educativa pueden favorecer a estudiantes con perfiles de aprendizaje más convencionales, perpetuando brechas.

Yan et al. (2024) advierten que la educación basada en IA debe integrar mecanismos de evaluación ética y auditoría de sesgos, promoviendo una pedagogía inclusiva.
Los docentes deben adquirir competencias para interpretar críticamente las salidas algorítmicas y cuestionar su neutralidad aparente.

🔒 3️⃣ Privacidad de datos: tratamiento ético de la información estudiantil

El uso de IA en plataformas educativas implica la recolección masiva de datos sensibles: rendimiento académico, historial de aprendizaje, patrones de conducta, entre otros.
La protección y uso ético de estos datos se convierte en un pilar esencial del diseño pedagógico digital.

Riesgos principales:

• Fuga o mal uso de información personal.
• Uso comercial sin consentimiento (por parte de empresas tecnológicas).
• Perfilamiento excesivo, que reduce al estudiante a un conjunto de métricas y limita su desarrollo integral.

Miao y Cukurova (2024) subrayan la importancia de incorporar principios de “privacy by design” en las políticas educativas, asegurando:

• Consentimiento informado.
• Transparencia sobre el uso de datos.
• Anonimización y almacenamiento seguro.

Asimismo, la OCDE (2025) destaca que la ética de datos debe incluir la alfabetización digital de los docentes, capacitándolos para gestionar herramientas de IA conforme a las normas de protección y derechos humanos.

🤝 4️⃣ Uso responsable: fomentar la transparencia y la supervisión humana

El principio rector de toda IA educativa debe ser el uso responsable, entendido como la coexistencia entre inteligencia artificial y juicio humano.
El aprendizaje mediado por IA debe estar guiado por criterios pedagógicos, no tecnológicos, donde el docente actúe como mediador, evaluador y garante de la ética educativa.

Elementos del uso responsable:

• Transparencia: informar cuándo, cómo y con qué fines se usa la IA en la enseñanza.
• Supervisión humana: toda decisión automatizada (evaluación, recomendación, diagnóstico) debe poder ser revisada por un docente o equipo académico.
• Formación ética y crítica: promover una comprensión reflexiva sobre los límites y posibilidades de la IA.

Yan et al. (2024) sostienen que el uso ético de la IA en educación no se logra mediante restricciones tecnológicas, sino a través de la formación en pensamiento crítico y responsabilidad digital, tanto para estudiantes como para docentes.

🧭 Síntesis general

Dimensión ética	Descripción	Riesgos	Recomendaciones
Autoría y originalidad	Uso de IA generativa en la producción de textos y tareas	Plagio automatizado, pérdida de esfuerzo cognitivo	Declarar el uso de IA, enseñar redacción asistida ética
Sesgos algorítmicos	Datos de entrenamiento con desigualdades	Reproducción de exclusión cultural o de género	Auditorías éticas, diversidad de datos
Privacidad de datos	Recolección de información estudiantil	Fuga o explotación comercial	Consentimiento informado, anonimización
Uso responsable	Integración crítica y supervisada de IA	Dependencia o deshumanización del aprendizaje	Formación docente, transparencia y control humano

Los pilares del AI Competency Framework for Teachers de la UNESCO (Miao y Cukurova, 2024), un referente internacional que busca orientar el desarrollo de competencias docentes para el uso ético, pedagógico y crítico de la Inteligencia Artificial (IA) en la educación.
El marco no solo promueve la integración tecnológica, sino también la transformación de la práctica educativa, pasando de un uso instrumental de la IA a un uso crítico, creativo y pedagógicamente significativo.

A continuación, se amplía la información de cada competencia y su relación con la meta formativa.

🧠 1️⃣ Comprender cómo funciona la IA y su impacto social

La primera competencia implica que el profesorado adquiera conocimientos conceptuales y técnicos básicos sobre qué es la IA, cómo opera y de qué manera influye en la sociedad.
Esto supone ir más allá del uso práctico de herramientas: implica alfabetización en IA (AI literacy).

Componentes:

• Conceptuales: conocer principios como el aprendizaje automático, redes neuronales, algoritmos y datos de entrenamiento.
• Sociales: reconocer los impactos de la IA en el trabajo, la cultura y la vida cotidiana.
• Críticos: identificar sesgos, limitaciones y riesgos éticos de los sistemas inteligentes.

Según Miao y Cukurova (2024), esta comprensión es esencial para que los docentes puedan guiar al estudiantado en el pensamiento crítico sobre la IA, no solo en su utilización técnica.
De este modo, el profesorado se convierte en un mediador entre la tecnología y la ciudadanía digital responsable.

🧰 2️⃣ Usar herramientas de IA para apoyar la enseñanza

Esta competencia se refiere al uso pedagógico y creativo de herramientas impulsadas por IA, integrándolas de manera reflexiva en la planificación, el acompañamiento y la evaluación educativa.

Ejemplos de aplicación:

• Plataformas adaptativas que personalizan el aprendizaje (p. ej., DreamBox, Coursera Labs).
• Asistentes de escritura o corrección (ChatGPT, Grammarly).
• Sistemas de evaluación automática y retroalimentación formativa.

El objetivo no es simplemente “usar la IA” sino usar con propósito pedagógico, seleccionando las herramientas más adecuadas según la naturaleza del aprendizaje.
Como señalan Crompton y Burke (2023), el docente debe mantener el control de la mediación didáctica, integrando la IA de forma coherente con el currículo y el contexto educativo.

🔍 3️⃣ Evaluar críticamente los resultados generados por IA

Esta competencia enfatiza la capacidad crítica y analítica del docente frente a los productos generados por IA: textos, imágenes, informes o predicciones.

Aspectos clave:

• Validar la precisión y confiabilidad de los contenidos generados.
• Identificar errores, sesgos o desinformación producida por el modelo.
• Usar la IA como instrumento de pensamiento reflexivo, no como fuente infalible.

El marco de la UNESCO destaca que la evaluación crítica es una de las competencias más importantes para evitar la dependencia cognitiva o la reproducción acrítica de información.
Por ello, se requiere formar al profesorado en pensamiento computacional crítico, integrando habilidades de verificación, curación y síntesis de información.

🌱 4️⃣ Promover valores éticos, sostenibilidad y bienestar digital

La cuarta competencia sitúa la dimensión ética y humanista en el centro del trabajo docente.
El propósito es garantizar que el uso de la IA en la educación contribuya al bienestar humano, la equidad y la sostenibilidad social, evitando usos que generen exclusión o daño.

Elementos fundamentales:

• Ética digital: enseñar prácticas responsables de uso, privacidad y seguridad.
• Sostenibilidad tecnológica: promover un consumo digital consciente y la comprensión del impacto ambiental de los sistemas de IA.
• Bienestar socioemocional: equilibrar la interacción tecnológica con la conexión humana y el desarrollo empático.

De acuerdo con Yan et al. (2024), esta competencia requiere políticas institucionales que integren la ética de la IA en la cultura organizacional y en la formación inicial y continua del profesorado.

🎯 Meta formativa: del uso instrumental al uso crítico, creativo y pedagógicamente significativo

El marco de la UNESCO propone un cambio de paradigma:

pasar de una alfabetización tecnológica funcional a una alfabetización crítica en IA que potencie la reflexión, la creatividad y la pedagogía significativa.

Esto implica que:

• El docente no solo utiliza herramientas, sino que comprende, evalúa y transforma sus implicaciones educativas.
• La IA se convierte en un recurso para el pensamiento crítico y la innovación, no en un fin en sí mismo.
• El aula se transforma en un espacio de aprendizaje ético, inclusivo y centrado en el ser humano.

En síntesis, el modelo propone una docencia que integre la IA de manera responsable, contextualizada y con sentido educativo, alineada con los principios de justicia, equidad y sostenibilidad digital.

Algunos casos de uso representativos de la Inteligencia Artificial (IA) en la educación superior, han mostrando cómo las universidades están incorporando sistemas inteligentes en la docencia, la gestión institucional, la investigación y los servicios estudiantiles.
Las experiencias citadas —Muñoz et al. (2025), Robert et al. (2025) y OECD (2025a)— evidencian que la IA está dejando de ser una herramienta puntual para convertirse en una infraestructura educativa transversal, es decir, una tecnología integrada de forma estructural en todos los procesos académicos y administrativos.

A continuación se amplía cada caso con su fundamento pedagógico, técnico y ético.

🎯 1️⃣ Aprendizaje personalizado

Referencia: Muñoz et al. (2025), Inteligencias conectadas: cómo la IA está redefiniendo el aprendizaje personalizado. El aprendizaje personalizado con IA busca adaptar los contenidos, actividades y ritmos de estudio a las necesidades, intereses y estilos cognitivos de cada estudiante.
A través de modelos de aprendizaje automático, las plataformas analizan datos como:

• desempeño en tareas,
• tiempo de respuesta,
• interacciones con el entorno digital,
• preferencias de formato (texto, video, simulación).

Ejemplos:

• Smart Sparrow, Knewton, DreamBox Learning o Coursera Labs, que ajustan automáticamente la secuencia didáctica.
• En educación superior, los LMS (Learning Management Systems) integran motores de IA para ofrecer rutas de aprendizaje adaptativas o recursos recomendados.

Impacto:

De acuerdo con Muñoz et al. (2025), estas tecnologías potencian la autonomía del estudiante y la retroalimentación formativa inmediata, pero también requieren orientación docente para garantizar que la personalización no se traduzca en aislamiento o exceso de automatización.

💬 2️⃣ Chatbots académicos

Referencia: Robert et al. (2025), EDUCAUSE Horizon Report: Teaching and Learning Edition.

Los chatbots académicos representan una aplicación de IA conversacional diseñada para mejorar la comunicación y la eficiencia institucional.
Funcionan a través de modelos de lenguaje (como GPT o Claude) integrados en plataformas universitarias para asistir en:

• Gestiones administrativas: matrícula, trámites de becas, orientación institucional.
• Asesoría académica básica: preguntas frecuentes sobre cursos, bibliografía, horarios o tutorías.
• Acompañamiento emocional y motivacional, en algunos casos, como asistentes de bienestar estudiantil.

Ejemplos:

• Universidades como Georgia State o la UOC han implementado bots de orientación y retención estudiantil.
• Algunos sistemas se integran con WhatsApp o LMS institucionales para disponibilidad 24/7.

Consideraciones éticas:

Según Robert et al. (2025), la clave está en mantener la supervisión humana y garantizar la privacidad y precisión de la información. Los chatbots deben ser transparentes en su naturaleza (no suplantar personas) y contar con protocolos para escalar consultas complejas a personal humano.

📊 3️⃣ Analítica institucional

La analítica institucional utiliza IA y minería de datos para predecir la deserción, el rendimiento y la eficiencia académica.
Estos modelos cruzan variables de desempeño (calificaciones, asistencia, actividad digital) con factores socioeconómicos y emocionales, permitiendo tomar decisiones basadas en evidencia.

Aplicaciones:

• Predicción de abandono o rezago académico.
• Optimización de recursos (docentes, tutorías, becas).
• Identificación de brechas de aprendizaje o equidad.

Ejemplos:

• Herramientas como Civitas Learning o IBM Cognos Analytics se utilizan para análisis predictivo en universidades de EE. UU. y Europa.
• En Latinoamérica, algunas instituciones están desarrollando sistemas propios mediante Learning Analytics locales.

Retos:

Según la OCDE (2025a), este tipo de IA requiere protocolos de gobernanza de datos que aseguren el uso ético, no discriminatorio y transparente de la información estudiantil.

🔍 4️⃣ Asistentes de investigación

Los asistentes de investigación basados en IA están transformando la forma en que docentes y estudiantes buscan, analizan y sintetizan literatura científica.
Herramientas como Elicit, Scite, Research Rabbit o Semantic Scholar AI aplican modelos de lenguaje y minería semántica para:

• Buscar artículos relevantes en bases de datos científicas.
• Resumir o comparar hallazgos.
• Identificar vacíos temáticos o líneas emergentes de investigación.
• Asistir en la redacción o revisión de manuscritos.

Potencial académico:

Estos sistemas reducen significativamente el tiempo de revisión bibliográfica y permiten procesar grandes volúmenes de información científica.
Sin embargo, como advierte Yan et al. (2024), el riesgo está en aceptar los resúmenes o síntesis sin verificación, lo que exige desarrollar una competencia crítica en el uso de IA académica.

📈 Tendencia general

La IA se consolida como una infraestructura educativa transversal (OECD, 2025a).

Esto significa que las tecnologías basadas en IA:

• ya no son accesorios de apoyo, sino elementos estructurales del ecosistema universitario;
• atraviesan las funciones docente, investigativa y administrativa;
• impulsan una transformación cultural y organizacional hacia la analítica de datos, la automatización responsable y la personalización educativa.

El desafío, como plantea la OCDE (2025b), es mantener la centralidad del ser humano en la educación: la IA debe ampliar la capacidad docente, no sustituirla, y promover una educación más justa, sostenible y ética.

Se propone tres preguntas orientadoras para la reflexión docente sobre el uso de la Inteligencia Artificial (IA) en la educación superior.
Estas preguntas buscan fomentar una postura crítica y ética, reconociendo que la IA puede potenciar la práctica educativa, pero también plantea límites que deben mantenerse en manos humanas.
La cita final —adaptada del EDUCAUSE Horizon Report (Robert et al., 2025)— sintetiza una idea clave: la IA no sustituirá a los docentes, pero transformará profundamente el modo en que enseñan.

A continuación se amplía y contextualiza cada punto.

1️⃣ ¿Qué aspectos de mi docencia podrían potenciarse con IA?

Esta pregunta invita a identificar las áreas de la práctica pedagógica donde la IA puede ampliar la capacidad docente, sin reemplazar su rol.
De acuerdo con Crompton y Burke (2023) y Muñoz et al. (2025), la IA puede fortalecer distintas dimensiones del trabajo educativo:

Posibles áreas de potenciación:

• Personalización del aprendizaje: adaptación de contenidos, ritmo y actividades a las necesidades individuales del estudiante.
• Evaluación formativa y retroalimentación inmediata: uso de modelos de lenguaje o analítica para detectar patrones de error y ofrecer recomendaciones precisas.
• Planificación y diseño instruccional: generación de materiales, rúbricas o escenarios de aprendizaje personalizados.
• Asesoramiento y tutoría: apoyo continuo mediante chatbots o tutores inteligentes que liberen tiempo del docente para tareas de mayor valor reflexivo.

Enfoque pedagógico:

El propósito no es delegar la enseñanza, sino usar la IA como un socio cognitivo que complemente la creatividad y el juicio humano.
Como plantea la UNESCO (Miao & Cukurova, 2024), el desafío consiste en pasar de un uso instrumental a un uso pedagógicamente significativo, donde el docente diseña experiencias que integran la IA con sentido educativo.

2️⃣ ¿Qué decisiones deben seguir siendo humanas?

Esta pregunta subraya los límites éticos y pedagógicos del uso de la IA.
Aunque los algoritmos pueden procesar grandes volúmenes de información o generar diagnósticos rápidos, no poseen juicio moral, empatía ni comprensión contextual, capacidades que siguen siendo exclusivamente humanas.

Decisiones que deben preservarse en manos humanas:

• Evaluar con criterio ético y emocional: la interpretación del aprendizaje requiere empatía, comprensión del contexto y sensibilidad pedagógica.
• Acompañar procesos formativos: el docente orienta, motiva y da sentido a la experiencia educativa.
• Deliberar sobre justicia y equidad: decidir cómo y cuándo usar IA en función de los valores de inclusión y accesibilidad.
• Definir los fines de la educación: la IA puede optimizar medios, pero solo los humanos pueden determinar los propósitos del aprendizaje.

En palabras de la OCDE (2025), el papel del educador es garantizar que la IA permanezca “al servicio del desarrollo humano, no de su reemplazo”.
El reto no es competir con la IA, sino reafirmar la agencia y la responsabilidad docente en la toma de decisiones pedagógicas.

3️⃣ ¿Cómo enseñar a mis estudiantes a usar IA con pensamiento crítico?

El uso de la IA por parte del estudiantado exige una nueva alfabetización digital, centrada no solo en el dominio técnico, sino en la capacidad crítica, ética y metacognitiva.
De acuerdo con el AI Competency Framework for Teachers de Miao y Cukurova (2024), enseñar a usar IA con pensamiento crítico implica tres ejes:

1. Comprender cómo funciona la IA: conocer los principios básicos de su entrenamiento, sesgos y limitaciones.
2. Evaluar críticamente los resultados: contrastar información, verificar fuentes y detectar errores o sesgos algorítmicos.
3. Usar la IA de forma ética y creativa: aprovecharla para explorar ideas, innovar o aprender, no para sustituir el esfuerzo intelectual.

El docente actúa aquí como mentor epistemológico, ayudando a los estudiantes a mantener el control cognitivo y ético sobre la tecnología.
Como advierten Kosmyna et al. (2025), un uso pasivo o acrítico de IA puede reducir el esfuerzo mental y la autonomía cognitiva; por ello, el pensamiento crítico es esencial para evitar la dependencia y fomentar el aprendizaje significativo.

🧭 Reflexión final

“La IA no reemplazará a los docentes, pero los docentes que usen IA reemplazarán a los que no lo hagan.”
— Adaptado de Robert et al. (2025)

Esta frase resume el nuevo paradigma profesional docente: la IA no elimina la necesidad de educadores, pero transforma las competencias necesarias para ejercer la docencia en la era digital.
El futuro de la educación no depende de sustituir personas por máquinas, sino de formar docentes capaces de integrar la IA con juicio ético, creatividad y sentido humano.

El verdadero desafío es construir una pedagogía aumentada por IA, donde la tecnología amplifique —no sustituya— la inteligencia, la empatía y la capacidad crítica del educador.

📚 Referencias

Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20(1), 22. https://doi.org/10.1186/s41239-023-00392-8

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task (No. arXiv:2506.08872; Versión 1). arXiv. https://doi.org/10.48550/arXiv.2506.08872

Liu, A. C. C., Law, O. M. K., & Law, I. (2022). Understanding Artificial Intelligence: Fundamentals and Applications (1a ed.). Wiley. https://doi.org/10.1002/9781119858393

Matos, T., Santos, W., Zdravevski, E., Coelho, P. J., Pires, I. M., & Madeira, F. (2025). A systematic review of artificial intelligence applications in education: Emerging trends and challenges. Decision Analytics Journal, 15, 100571. https://doi.org/10.1016/j.dajour.2025.100571

Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391104

Muñoz, J. M., Lorenzo, N., Suñé, X., & Prats, M. À. (2025). Inteligencias conectadas: Cómo la IA está redefiniendo el Aprendizaje Personalizado. https://ciberespiral.org/es/informes-odite/

OECD. (2025a). Trends Shaping Education 2025. OECD Publishing. https://doi.org/10.1787/ee6587fd-en

OECD. (2025b). What should teachers teach and students learn in a future of powerful AI? (20a ed., OECD Education Spotlights) [OECD Education Spotlights]. https://doi.org/10.1787/ca56c7d6-en

Patel, D., & Leech, G. (2025). The scaling era: An oral history of AI, 2019-2025. Stripe Press. https://www.amazon.com/Scaling-Era-Oral-History-2019-2025/dp/1953953557

Robert, J., Muscanell, N., McCormack, M., Pelletier, K., Arnold, K., Arbino, N., Young, K., & Reeves, J. (2025). 2025 EDUCAUSE Horizon Report®—Teaching and Learning Edition. https://library.educause.edu/-/media/files/library/2025/5/2025hrteachinglearning.pdf

Russell, S. J., & Norvig, P. (with Davis, E., & Edwards, D.). (2016). Artificial intelligence: A modern approach (Third edition, Global edition). Pearson.

Walter, Y. (2024). Embracing the future of Artificial Intelligence in the classroom: The relevance of AI literacy, prompt engineering, and critical thinking in modern education. International Journal of Educational Technology in Higher Education, 21(1), 15. https://doi.org/10.1186/s41239-024-00448-3

Yan, L., Sha, L., Zhao, L., Li, Y., Martinez-Maldonado, R., Chen, G., Li, X., Jin, Y., & Gašević, D. (2024). Practical and ethical challenges of large language models in education: A systematic scoping review. British Journal of Educational Technology, 55(1), 90–112. https://doi.org/10.1111/bjet.13370

Resumen generado por IA

1. Cambio de Paradigma Curricular según OCDE

En el informe de la OCDE (2025) “What should teachers teach and students learn in a future of powerful AI?” se plantea la transformación del currículo ante la irrupción de la IA avanzada.

Comparativa de preguntas curriculares tradicionales vs. nuevas con IA

• Preguntas clásicas:

  • ¿Cuáles son los propósitos de la escolarización?
  • ¿Qué conocimientos, habilidades y actitudes son esenciales?
  • ¿Qué contenidos y experiencias apoyan mejor el aprendizaje?
  • ¿Cómo organizar y secuenciar el currículo?

• Nuevas preguntas considerando la IA:

  • ¿Qué metas fundamentales podrían cambiar?
  • ¿Qué conocimientos, habilidades y actitudes podría alcanzar la IA?
  • ¿Cuáles seguirán siendo importantes exclusivamente humanos y por qué?
  • ¿Qué competencias emergen como necesarias?
  • ¿Cómo cambia la organización y experiencia del aprendizaje con IA en el entorno?

Tabla: Cambio de Perspectiva Curricular

Perspectiva tradicional	Perspectiva con IA avanzada
Enseñar a los estudiantes a adquirir conocimiento.	Enseñar a los estudiantes a usar, cuestionar y crear con la IA.
Énfasis en habilidades técnicas/cognitivas	Énfasis en juicio crítico, creatividad, ética, agencia humana.
Contenido organizado por disciplinas	Contenido flexible, interdisciplinario y mediado por IA.

Referencia:
OECD (2025). What should teachers teach and students learn in a future of powerful AI? OECD Education Spotlights No. 20, pp. 2–3

---

2. Definición y Fundamentos de la IA

• Definición clásica:
  La IA es el campo que busca diseñar sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: razonamiento, comprensión de lenguaje, aprendizaje, percepción y toma de decisiones autónomas [Russell & Norvig, 2016].
• Actualidad:
  Se basa en redes neuronales profundas y aprendizaje automático, permitiendo modelos que aprenden de datos y se ajustan sin intervención humana directa [Liu et al., 2022].

Ejemplos Cotidianos

• Recomendaciones en plataformas como Netflix o Spotify.
• Asistentes virtuales: Siri, Alexa, ChatGPT.
• Corrección automática de texto, detección de spam.
• Traducción automática y filtros de imágenes.

En educación

• Personalización del aprendizaje.
• Retroalimentación inmediata.
• Apoyo a la evaluación automatizada.

3. Tipos de IA: Débil (Estrecha) vs. General (AGI)

Inteligencia Artificial Débil o Estrecha (Narrow AI)

• Específica para dominios limitados.
• Especialización funcional y aprendizaje basado en datos.
• Ejemplos: ChatGPT, traductores, antispam, recomendadores.

Inteligencia Artificial General (AGI)

• Horizonte teórico – igualar/superar capacidades humanas en diversos dominios.
• Razonamiento generalizado, transferencia de conocimiento, autonomía cognitiva.
• Aún no existe como tecnología práctica.

Tabla Comparativa

Característica	IA Débil/Estrecha	IA General (AGI)
Finalidad	Tareas específicas	Inteligencia humana general
Ejemplos actuales	ChatGPT, DeepL	En desarrollo teórico
Conciencia/comprensión	No posee	Potencial (hipótesis)
Nivel de autonomía	Bajo/medio	Alto
Riesgos/desafíos	Sesgos, dependencia tech	Ética, alineamiento humano

4. Evolución histórica de la IA

Línea del tiempo destacada

• 1950s-1970s: IA simbólica y Test de Turing.
• Años 80: Aprendizaje automático, redes neuronales iniciales.
• 2010s: Deep Learning, Big Data, rendimiento superior al humano en tareas específicas (voz, imagen, diagnóstico).
• 2020s: IA generativa, modelos multimodales, scaling law.
• 2025 en adelante: IA centrada en lo humano, ética, equidad, sostenibilidad.

5. De la Automatización a la IA Generativa y Colaborativa

• Transición de algoritmos deterministas a modelos que aprenden y generan conocimiento.
• Surge la “IA generativa”: colaboración con el pensamiento humano.
  • Ejemplos: GPT, Claude, Gemini, DALL·E, Midjourney.
• Riesgos: “deuda cognitiva”, dependencia intelectual, menor esfuerzo mental si se usa sin reflexión [Kosmyna et al., 2025].

6. Aplicaciones Actuales en Educación

Principales Categorías

1. Evaluación automatizada: Corrección de ensayos, retroalimentación personalizada.
2. Tutorías inteligentes: Sistemas adaptativos, chatbots educativos.
3. Generación de contenidos: Creación de textos, imágenes, simulaciones.
4. Análisis del aprendizaje: Monitorización, analítica predictiva y descriptiva.

Tabla de Aplicaciones

Aplicación	Objetivo	Beneficios	Desafíos
ChatGPT tutor	Escritura y tutoría personalizada	Aprendizaje autónomo, feedback inmediato	Dependencia cognitiva
Diagnóstico STEM	Evaluación adaptativa	Precisión diagnóstica	Sesgos, interpretación
Analítica risk	Prevención de abandono académico	Intervención temprana	Privacidad, sesgos algorítmicos
Adaptativo	Personalización dinámica	Progreso individualizado	Requiere integración docente

7. Desafíos Éticos y Reflexión Pedagógica

Principales retos

• Autoría y Originalidad: Plagio automatizado, pérdida de esfuerzo propio.
• Sesgos algorítmicos: Reproducción de desigualdades existentes.
• Privacidad de datos: Uso y protección ética de datos estudiantiles.
• Uso responsable: Transparencia, supervisión humana, ética digital.

Tabla de Desafíos

Dimensión ética	Riesgos	Recomendaciones
Autoría/originalidad	Plagio, pérdida de aprendizaje	Declarar uso, enseñar redacción ética
Sesgos algorítmicos	Reproducción de sesgos	Auditorías éticas, datos diversos
Privacidad de datos	Fuga/mal uso de información	Consentimiento/anonymización
Uso responsable	Dependencia/automatización	Formación docente y control humano

8. Marcos de Competencia Docente en IA (UNESCO)

Ejes del AI Competency Framework

1. Comprender el funcionamiento y el impacto social de la IA.
2. Uso pedagógico y creativo de la IA en la enseñanza.
3. Evaluación crítica de resultados generados por IA.
4. Promover ética, sostenibilidad y bienestar digital.

9. Casos de Uso y Transformación Universitaria

Ejemplos destacados

• Aprendizaje personalizado (Smart Sparrow, Knewton, DreamBox, Coursera Labs)
• Chatbots académicos universitarios
• Analítica institucional predictiva (Civitas Learning, IBM Cognos Analytics)
• Asistentes de investigación (Elicit, Scite, Research Rabbit)

La IA se consolida como infraestructura educativa transversal – elemento estructural del ecosistema universitario, atravesando docencia, investigación y gestión [OECD, 2025].

10. Preguntas de Reflexión Docente

1. ¿Qué aspectos de mi docencia pueden potenciarse con IA?
2. ¿Qué decisiones deben seguir siendo humanas?
3. ¿Cómo enseñar a mis estudiantes a usar la IA con pensamiento crítico?

“La IA no reemplazará a los docentes, pero los docentes que usen IA reemplazarán a los que no lo hagan.”
— Adaptado de Robert et al. (2025)

Bibliografía seleccionada

• OECD (2025). What Should Teachers Teach and Students Learn in a Future of Powerful AI? OECD Education Spotlights No. 20.
• Crompton, H., & Burke, D. (2023). Artificial Intelligence in Higher Education: The State of the Field. Springer.
• Liu, A. C. C., Law, O. M. K., & Law, I. (2022). Understanding Artificial Intelligence: Fundamentals and Applications. Wiley-IEEE Press.
• Russell, S., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach (3rd ed.). Pearson.
• Matos, T., Santos, W., Zdravevski, E., et al. (2025). A Systematic Review of Artificial Intelligence Applications in Education: Emerging Trends and Challenges. Decision Analytics Journal.
• Kosmyna, N., Hauptmann, E., Yuan, Y. T., et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt… MIT Media Lab.
• Miao, F., & Cukurova, M. (2024). AI Competency Framework for Teachers. UNESCO.
• Muñoz, J. M., Lorenzo, N., Suñé, X., & Prats, M. À. (2025). Inteligencias conectadas: cómo la IA está redefiniendo el aprendizaje personalizado. ODITE-Espiral.
• Yan, Z., et al. (2024). Practical and Ethical Challenges of Large Language Models in Education. Computers & Education.
• Robert, J., et al. (2025). EDUCAUSE Horizon Report® – Teaching and Learning Edition. EDUCAUSE.